异常音频事件检测博士论文

我这里从狭义上的“机器听觉”补充一些内容吧。如果做computer vision的研究者以David Marr的《Vision》作为开山之作的话，做computer audition的或许可以以Albert Bregman的《Auditory Scene Analysis》作为开山之作。但这是比较狭义的说法，因为实际上目前机器的音频感知的主流领域包括语音识别，cocktail party problem，music transcription等问题，从模型选择上并没有follow人的感知过程。基于HMM的ASR的研究也只是把这个问题描述成序列建模的数学问题，包括后续的CTC，attention model。如果说MFCC是有一定的心理声学的基础的话，实际上Mel滤波器并不是刻画耳蜗传函的最佳滤波器组，比如Gammatone filter bank就被证明是更接近人耳蜗的选择 （PNCC用的是Gammatone filter bank，但并不是主流的ASR特征）。目前的研究方向甚至到了直接用时域信号做ASR，即使用Mel filter bank feature，似乎也只是作为一个frequency warping的降维或者提升运算速度的方法，这就与真正的人耳感知相去甚远了。狭义上的computer audition，一般包括以下研究方向，binaural sound source localization, binaural source separation, binaural speech enhancement，应用领域主要在hearing assistant，cochlear implant，机器人听觉，以及audio reality。之所以都带着binaural是因为人的听觉感知就是双耳啊。在这个方向上Deliang Wang的《computational auditory scene analysis》做了很全面的介绍。虽然他们组现在也是DNN玩的飞起，但涉及到助听器人工耳蜗AR的研究方向，还是不能避开人耳感知的基本原理。

至于目前CV的研究方法和《Vision》相去多远我不是很了解，据说CNN的convolution还是受到人的reception field的启发的。